%0 Thesis
%A Siles Valverde, Priscilla Maria
%8 2025-11
%U https://hdl.handle.net/20.500.12880/14921
%X Este estudio aplica técnicas de aprendizaje automático para predecir la concentración
de clorofila, utilizada como indicador de biomasa algal, a partir de variables
fisicoquímicas en cuerpos de agua. Se compararon modelos desarrollados
manualmente (Ridge, Random Forest y XGBoost) con un enfoque automatizado
mediante Azure AutoML. El modelo StackEnsemble de AutoML obtuvo el mejor
desempeño (R² = 0.8123), superando a los métodos tradicionales. Las variables más
influyentes fueron la relación fósforo-amonio, el fósforo total, los componentes
estacionales y la temperatura del agua. Los resultados evidencian el potencial del
aprendizaje automático como herramienta de apoyo para el monitoreo y la predicción
de floraciones algales en ecosistemas acuáticos.
%T Predicción de floraciones algales utilizando algoritmos de aprendizaje automático
%K Floraciones algales‖Aprendizaje automático‖Azure AutoML‖Clorofila‖Predicción ambiental
%~ END